注意力可变形卷积网络的木质板材瑕疵识别

为了解决木材缺陷检测中人工成本高、效率低的问题,该文基于可变性卷积网络和注意力机制,提出一种端到端的神经架构模型.首先,可变形卷积网络(Deformable Convolutional Network, DCN)通过将矩形网格转换为变形网格,使模型专注于具有更多有用图像信息的区域.使用可变形卷积网络可以忽略图像特征中不相关的系数,解决了传统卷积在特征中学习更多信息能力有限的问题.然后,将DCN输出馈送到门控循环单元(Gated Recurrent Unit, GRU)层以学习缺陷图像的高级特征.最后,通过关注输入图像的最重要特征,应用注意力机制加强瑕疵区域的高亮度,从而提高模型识别的准确性.使用Matlab平台在4个木质板材缺陷数据集上将该文方法与现有其他方法进行比较分析,该文方法的准确率比其他3种对比方法提高了2.4%~13.2%的维度,灵敏度提高了3.3%~16.6%的维度,特异性提高了4%~21%的维度.实验结果表明,该文方法在检测精度和其他各个性能方面均优于现有方法,最佳准确率为99.2%,证明了该文方法的有效性.

基于可变形卷积和注意力的带钢瑕疵识别方法

带钢生产中瑕疵检测的准确性对于其质量的保证有着至关重要的意义。本文针对带钢表面瑕疵检测中的瑕疵种类复杂、背景干扰严重、瑕疵样式间面积形态差异较大等问题,提出了一种基于ResNet50改进的结合多尺度变形卷积和注意力的带钢表面瑕疵分类识别方法。首先通过细化ResNet50中BottleNeck结构的卷积块为一组多尺度卷积以扩大感受野,然后引入可变形卷积代替组中的卷积核,使网络在训练中捕捉不同形态尺度的瑕疵特征。最后在网络中引入增强注意力模块,使网络可以关注到通道与空间之间的信息,将其联合起来从而关注到更重要的通道和空间位置。通过对比实验表明,本文提出的方法在带钢的表面瑕疵分类识别上精确度优于现有方法,可以应用于企业实际的带钢的工业生产中。

基于标签嵌入方法的纺织品瑕疵识别网络

卷积神经网络(Convolutional Neural Network,CNN)可用于工业生产环境下的纺织品疵点的鉴别与分类。针对实际场景下的纺织品瑕疵存在瑕疵类型视觉区分度小和实际数据样本采集时的瑕疵类别不平衡问题,本文提出了基于标签嵌入方法的纺织品瑕疵识别网络(Textile Defect Recognition Network Based on Label Embedding,TDRNet)。首先,算法调整了基础骨干网络的结构,从而提高模型的分类精度;接着算法还设计了标签嵌入模块(Label Embedded Module,LEM),并使用该模块来生成模型的类别权重偏移;然后,本文提出了分布感知损失函数(Distribution Perception Loss,DP Loss)调整算法的类别分布,从而减小同类瑕疵特征的类内距并增大异类瑕疵特征的类间距;最后,本文引入了Seesaw Loss损失函数,通过抑制少数类别的负样本梯度并提高对误分类时的样本损失来动态平衡模型训练过程中在不同样本下的更新梯度,以缓解少数类别的误分类率。在自制的“广东智能制造”布匹瑕疵分类数据集中,本文提出的框架在粗粒度分类和细粒度分类两个任务上的top1错误率可达16.35%和17.12%,而top5错误率在细粒度分类任务上低至5.20%。与其他分类模型相比,TDRNet在对比实验中取得了最优的结果。此外,TDRNet与近5年经典的细粒度分类模型进行了比较,并取得了SOTA结果,这充分表明了TDRNet的先进性。

基于LabVIEW的工件表面瑕疵识别程序设计

阐述工件表面瑕疵识别技术应用,利用LabVIEW、IMAQ Vision视觉工具处理图像、识别程序的设计,实现了对工件表面瑕疵的识别,从而为工件分拣的效率和质量的提高提供可靠的方法。

基于集成迁移学习的铝型材瑕疵识别研究

基于CNN的迁移模型用于铝型材表面瑕疵分类识别研究中,未考虑所提取的瑕疵特征图中冗余信息对分类性能的影响.针对该问题,提出了一种基于集成迁移学习的铝型材瑕疵分类方法,首先基于CNN的传统迁移模型自动获取铝型材瑕疵特征,再利用多尺度膨胀卷积对所提取的铝型材瑕疵特征进行稀疏采样,获取多组差异化的瑕疵特征,通过训练生成一组具有差异化的CNN分类器,并将其集成.实验结果证明,该方法相对于传统基于CNN的迁移模型,在铝型材瑕疵分类上,具有更高的分类准确率,性能更优.

基于灰度共生矩和SVM的碳化竹条瑕疵识别

针对碳化竹条瑕疵种类多,位置不确定且竹纹理干扰的问题,利用图像处理技术对竹条图像进行阈值分割,图像滤波等预处理,得到特征明显的图像,从而实现其表面瑕疵特征的识别。通过计算确定灰度共生矩阵的三个构造因子,提取了图像的三个纹理特征,采用一对一淘汰策略的多类SVM(support vector machine)学习模型进行分类识别竹条的瑕疵类型。实验结果表明,该方法对于碳化竹条的黑结、虫蛀、染色、霉点、裂痕等缺陷的正确识别率达到90.6%以上。

激光技术的轨道表面瑕疵识别系统设计

为了提高静电场轨道表面瑕疵识别系统的识别速度和识别精度,设计了基于激光技术的静电场轨道表面瑕疵识别系统。为了实现相关数据采集和运动目标之间的同步效果,在系统硬件中加入编码器,从而得到可靠的静电场轨道表面图像采集结果。根据图像采集结果,对静电场轨道表面图像进行图像增强、阈值分割以及特征提取等相关处理,实现对静电场轨道表面瑕疵的识别。仿真结果表明,所设计系统能够快速完成静电场轨道表面瑕疵识别,识别误检率最高为0.02%,识别最长用时约为19 s,验证了所设计系统识别结果较为准确,用时较短。证明了该系统的实际应用效果。

基于深度卷积神经网络的织物瑕疵识别方法

针对传统基于图像特征提取的瑕疵检测方法过于依赖特征提取效果,且泛化能力较差以及人工质检存在的效率低、易受主观因素影响等问题,本文提出了一种基于深度卷积神经网络的图像瑕疵识别方法,基于ResNet50卷积神经网络,构建了分类模型。并增大了输入网络的图像尺寸;采用多种图像变换增强数据;修改损失函数让模型更加关注困难样本。该模型在测试集上的AUC (Area Under Curve)值可以达到0.905,同时F1分数达到了0.81。此外本文提出了一种基于滑动窗口检测的瑕疵识别方法,提高对图像中细节的关注,大幅提升了原模型的分类性能。

基于深度学习的布匹瑕疵识别系统的研制

纺织行业一直在我国国民经济中占据十分重要的位置。传统的布匹瑕疵识别检测一般都是通过人工检测的方式,但是随着布匹检测数量的不断增加,人工识别效率也会随之下降,且准确率得不到保证。针对这个问题提出了使用Python语言,卷积神经网络DenseNet模型、Keras框架,创建和训练深度学习神经网络,设计与实现了一款布匹瑕疵系统,从而使得布匹检测更加高效、便捷。

基于机器视觉的卷烟包装外观质量瑕疵在线识别方法

传统卷烟外观质量瑕疵在线识别方法直接对图像瑕疵特征进行提取,未对卷烟外观图像数据进行预处理,造成传统方法识别精度低,因此提出基于机器视觉的卷烟外观质量瑕疵在线识别方法。首先,对卷烟外观图像进行数据预处理,去除背景区域,提高对比度和图像瑕疵特征提取的准确性;其次,利用提取到的瑕疵特征,设计基于机器视觉的卷烟外观质量瑕疵在线识别流程;最后,基于机器视觉实现卷烟外观质量瑕疵在线识别。通过实验结果表明:此设计方法的识别正确率为100%,具有更高的识别精度。

基于Fast RCNN改进的布匹瑕疵识别算法

针对布匹瑕疵数据集分辨率高、瑕疵区域小,使用已有图像分类算法识别效果差的问题,提出了一种基于经典目标检测算法Fast RCNN改进的图像识别算法,用目标检测的流程完成图像识别任务。算法利用布匹瑕疵区域小的特性,在图像中生成大量潜在的瑕疵区域,利用卷积神经网络预测潜在区域包含瑕疵的概率,在算法的后期对潜在区域的概率进行合并,最终达到识别布匹中存在瑕疵的概率。在一个具有3331张高分辨率图片的数据集上进行实验,结果表明,本文算法比OurNet以及已有的图像分类算法具有更好的性能。

改进Faster R-CNN模型的汽车喷油器阀座瑕疵检测算法

为完成喷油器阀座常见的瑕疵识别,对深度检测模型进行研究,提出基于Faster R-CNN模型的喷油器阀座瑕疵识别改进方法.首先,对常规生产下的喷油器阀座瑕疵图像进行采集、处理,构造出相关数据集;其次,在Faster R-CNN模型上对候选框和特征网络进行改进,获得比原有模型更高的精确度.实验结果表明:改进的Faster R-CNN模型在喷油器阀座瑕疵识别中精确度得到加强,识别精确度可达71.79%,相比原有模型精确度提升了近3.9%.说明该深度学习方法能够有效实现喷油器阀座瑕疵的识别,为后续自动一体化检测研究提供了基础.

基于改进视觉显著性的布匹瑕疵检测方法

针对布匹瑕疵检测中需要无瑕疵图像对照、检测时间过长等问题,提出了一种改进的视觉显著性的布匹瑕疵检测方法,以适用具有不同特征(纹理、颜色、亮度、方向)瑕疵的识别。该方法首先将布匹图像分解为超像素图像,然后根据区域对比度得到布匹瑕疵的显著图,最后对显著图进行阈值分割来识别出布匹瑕疵。实验结果表明本文算法对不同光照下和不同角度下的布匹瑕疵识别有着较高的检测率,具有良好的适用性和鲁棒性。

基于SSD的织物瑕疵检测的研究

纺织业是我国经济的支柱产业之一,在织物生产过程中,产生的织物瑕疵将会严重影响其质量。为实现织物瑕疵的检测与分类从而代替人工,采用SSD网络进行深度学习目标检测。通过使用布料厂生产的织物图像数据制作数据集,然后利用图像处理技术减弱不同织物的背景纹理信息,最后结合SSD网络模型对处理后的织物样本中的瑕疵进行学习判断与不断调节参数,生成的模型可以实现油污、松停车痕、紧停车痕以及错花四种织物瑕疵的分类与识别,平均准确率达到80%,可用于织物瑕疵目标检测,具有广阔的应用前景。

基于图像传感技术的娃娃菜外观品质检测

目的设计一套基于图像传感技术分析娃娃菜外观品质如尺寸、重量、瑕疵点等的检测方法。方法搭建一套图像采集平台拍摄娃娃菜不同侧面,应用图像处理技术,分割出娃娃菜图像区域,并数字化其区域特征信息(包括:投影面积、尺寸、瑕疵点面积等)。结果建立合格娃娃菜的侧面投影面积与重量真实值间的线性关系,其相关系数为0.938,均方根误差为36.52 g;对比人工检测,图像法可以识别出娃娃菜外表面95%的瑕疵点(腐黑点、裂纹裂缝等);参照娃娃菜的分级标准,以图像法获取各特征指标,结合聚类算法分级娃娃菜,其中K-medoid法准确率为100%,Gath-Geva法准确率为96.67%。结论机器视觉技术可应用于娃娃菜的自动检测和分级,为在线无损检测提供参考。